ترجمه فارسی مقاله مجموعه رمزگشا برای هندسه های نهفته آموخته شده

چکیده

Latent space geometry provides a rigorous and empirically valuable framework for interacting with the latent variables of deep generative models. This approach reinterprets Euclidean latent spaces as Riemannian through a pull-back metric, allowing for a standard differential geometric analysis of the latent space. Unfortunately, data manifolds are generally compact and easily disconnected or filled with holes, suggesting a topological mismatch to the Euclidean latent space. The most established solution to this mismatch is to let uncertainty be a proxy for topology, but in neural network models, this is often realized through crude heuristics that lack principle and generally do not scale to high-dimensional representations. We propose using ensembles of decoders to capture model uncertainty and show how to easily compute geodesics on the associated expected manifold. Empirically, we find this simple and reliable, thereby coming one step closer to easy-to-use latent geometries.

چکیده به فارسی (ترجمه ماشینی)

هندسه فضایی نهفته یک چارچوب دقیق و تجربی با ارزش برای تعامل با متغیرهای نهفته مدل های تولیدی عمیق فراهم می کند.این رویکرد مجدداً فضاهای نهفته اقلیدسی را به عنوان ریمانیان از طریق یک متریک عقب کشیده می کند و امکان تجزیه و تحلیل هندسی دیفرانسیل استاندارد از فضای نهفته را فراهم می کند.متأسفانه ، منیفولدهای داده به طور کلی جمع و جور هستند و به راحتی قطع می شوند یا با سوراخ ها پر می شوند ، و نشانگر عدم تطابق توپولوژیکی به فضای نهفته اقلیدسی است.مشخص ترین راه حل برای این عدم تطابق این است که عدم اطمینان یک پروکسی برای توپولوژی باشد ، اما در مدل های شبکه عصبی ، این اغلب از طریق اکتشافی خام تحقق می یابد که فاقد اصل هستند و به طور کلی به بازنمایی های با ابعاد بالا نمی رسند.ما پیشنهاد می کنیم با استفاده از گروه های رمزگشایی برای ضبط عدم اطمینان مدل و نشان دادن چگونگی محاسبه ژئودزیک به راحتی در منیفولد مورد انتظار همراه باشد.از نظر تجربی ، ما این ساده و قابل اعتماد را می یابیم و از این طریق یک قدم به هندسه های نهفته با استفاده آسان نزدیک می شویم.